Rolling quantile สำหรับคุณภาพอากาศรายวันในนิวยอร์ก
ในวิดีโอที่ผ่านมา คุณได้เรียนรู้วิธีคำนวณ rolling quantile เพื่ออธิบายการเปลี่ยนแปลงของการกระจายตัวในข้อมูล time series ตลอดช่วงเวลา โดยมีความไวต่อค่าผิดปกติน้อยกว่าการใช้ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน
มาคำนวณ rolling quantile ที่ระดับ 10%, 50% (ค่ามัธยฐาน) และ 90% ของการกระจายตัวของความเข้มข้นโอโซนเฉลี่ยรายวันในนิวยอร์ก โดยใช้ rolling window ขนาด 360 วัน
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การจัดการข้อมูล Time Series ใน Python
คำแนะนำการฝึกหัด
เราได้ import pandas เป็น pd และ matplotlib.pyplot เป็น plt ไว้แล้ว รวมถึงโหลดข้อมูลโอโซนตั้งแต่ปี 2000-2017 ไว้ในตัวแปร data
- ใช้
.resample()ด้วยความถี่รายวัน'D'กับdataจากนั้นใช้.interpolate()เพื่อเติมค่าที่หายไป แล้วกำหนดผลลัพธ์กลับให้data - ตรวจสอบผลลัพธ์ด้วย
.info() - สร้าง
.rolling()window ขนาด 360 periods เลือกคอลัมน์'Ozone'แล้วกำหนดผลลัพธ์ให้กับrolling - เพิ่มคอลัมน์ใหม่สามคอลัมน์ ได้แก่
'q10','q50'และ'q90'เข้าไปในdataโดยคำนวณ quantile ที่ต้องการจากrolling - พล็อตกราฟ
data
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Resample, interpolate and inspect ozone data here
data = ____
# Create the rolling window
rolling = ____
# Insert the rolling quantiles to the monthly returns
data['q10'] = ____
data['q50'] = ____
data['q90'] = ____
# Plot the data